轨道交通作为城市公共交通的重要组成部分给人们的出行带来了极大的便利,同时推动了城市的发展和社会的进步。接触网作为轨道交通列车获取电力的重要组成设施,其状态与轨道交通的安全稳定运行息息相关。随着轨道交通运营里程和弓架次的增加,接触网的故障率也变得越来越高。轨道交通线路行车密集,维修时间十分有限,因此需要准确快速的接触网状态检测方法以保证行车安全。然而目前的视觉检测方法不仅难以获得精准的检测结果,而且需要有先验知识的专业人员对大量图像数据进行标注。本文针对复杂条件下接触网状态检测的挑战性问题,提出了一种基于自监督表征学习的视觉检测方法。当标签稀缺时,使用大量未标记的数据进行自我监督预训练可以显著提高模型性能。具体来说,本文提出的方法能够充分利用大量容易获得的未标记图像,预先学习丰富的视觉表征,然后有效地指导下游检测模型和分类模型。检测模型用来检测吊弦线、电连接线状态和弓网间电弧;分类模型能够对接触网部件缺陷模式进行识别以确定故障原因和提供适当的维修指导。为了验证该方法的可行性和准确性,在开展研究时采集并建立了上海地铁接触网的真实场景数据集。通过在该数据集上进行训练与测试,结果显示,本文所提出的方法不仅解决了接触网标签数据稀缺问题,而且在接触网状态检测任务中m AP（mean Average Precision）达到了97.56%（IOU＞0.6）和93.89%（IOU＞0.8）;在接触网关键零部件缺陷模式识别任务中准确率达到了94.98%。